買這商品的人也買了...
-
$254細說 DOM 編程 -
$379美團機器學習實踐 -
$301JavaScript 函數式編程思想 -
$352Neo4j 3.x 入門經典 -
$602JavaScript 編程思想 : 從 ES5 到 ES9 -
深度學習推薦系統$648$616 -
智能搜索和推薦系統：原理、算法與應用$474$450 -
$505深入淺出 Embedding：原理解析與應用實踐 -
Python 實現 Web UI 自動化測試實戰：Selenium 3/4 + unittest/Pytest + GitLab + Jenkins$599$569 -
$658構建企業級推薦系統：算法、工程實現與案例分析 -
$305深度強化學習 -
$607實用推薦系統 -
$505AI 源碼解讀 : 推薦系統案例 (Python版) -
$551機器學習·深度學習圖像識別從基礎到案例實戰 -
$551推薦系統：前沿與實踐 -
大規模推薦系統實戰$599$569 -
演算法生存指南$800$632 -
$475推薦系統實戰寶典 -
$449數據視覺藝術——從Excel數據可視化到Python數據可視化 -
$458Python 統計分析基礎及實踐 -
動手學推薦系統 — 基於 PyTorch 的算法實現 (微課視頻版)$403$379 -
Azure 證照帶你翻轉雲端職涯：模擬試題解析 × 雲端核心知識 × 面試求職指南$650$429 -
ASP.NET Core 6 框架揭秘：跨平台 Web 開發全面解析 (上冊)$820$574 -
ASP.NET Core 6 框架揭秘：跨平台 Web 開發全面解析 (下冊)$860$602 -
$505Python推薦系統實戰：基於深度學習、NLP和圖算法的應用型推薦系統
商品描述
《智能推薦系統開發實戰》基於Python 3.7編寫，全書圍繞推薦模型的開發實踐，
為讀者重點介紹了各種不同類型推薦模型的開發過程及其在多種業務場景下的應用。
全書分為4篇，
第1篇簡單介紹了推薦系統的發展過程及從事推薦模型研發需要的數學知識；
第2篇重點介紹了不同類型的推薦算法在多種應用場景下的開發實踐，
包括協同過濾、矩陣分解、Logistic回歸、決策樹、集成學習、因子分解機與深度學習模型；
第3篇介紹了推薦系統的冷啟動問題及效果評估方法；
第4篇通過行業真實案例，如廣告點擊率預測、金融產品精準營銷、音樂推薦、
基於客戶生命週期的推薦等，深入淺出、循序漸進地介紹了推薦模型開發的全過程。
《智能推薦系統開發實戰》內容精練、案例豐富，實踐性極強，可快速學習並上手實踐，
值得一讀，特別適合在企業中從事推薦模型開發、數據分析挖掘、機器學習研發等工作的人員使用，
同樣適合想從事數據挖掘工作的各大中專院校的學生與教師，以及其他對推薦系統領域有興趣的各類人員使用。
作者簡介
尚濤，畢業於上海交通大學數學系，擁有數學碩士學位，研究方向為數據挖掘與機器學習應用領域，曾任職於支付寶、易方達基金等頭部企業，現任職於南方基金，專註於精準營銷、推薦系統、風險評分以及數據化運營等領域的研發工作，擁有超過10年數據挖掘和優化建模的經驗，以及多年使用SAS、R、Python等軟件的經驗，在從業經歷中，為所在公司的業務方成功實施了眾多深受好評的數據挖掘項目，取得了較好的業務價值。
目錄大綱
第1篇 推薦系統的基礎知識
第1章 推薦系統的前世今生
1.1 從信息匱乏到信息過載
1.2 從搜索到推薦
1.3 推薦系統的應用場景
1.4 推薦系統的基礎知識
1.4.1 什麽是推薦系統
1.4.2 使用推薦系統的目的
1.4.3 如何搭建一個推薦系統
1.4.4 推薦系統涉及的模型
1.5 推薦系統的開發工具說明
第2章 推薦系統的數學基礎
2.1 線性代數
2.1.1 向量
2.1.2 矩陣
2.1.3 範數
2.1.4 矩陣分解
2.2 微積分
2.2.1 函數
2.2.2 極限
2.2.3 導數
2.2.4 微分中值定理
2.2.5 泰勒展開式
2.2.6 梯度
2.2.7 最小二乘法
2.3 概率統計
2.3.1 概率
2.3.2 總體與個體
2.3.3 簡單隨機抽樣
2.3.4 統計量
2.3.5 描述性統計
第2篇 推薦模型的開發實踐
第3章 基於協同過濾的推薦
3.1 協同過濾算法簡介
3.1.1 基於用戶的協同過濾
3.1.2 基於項目的協同過濾
3.1.3 基於模型的協同過濾
3.2 基於協同過濾算法的實現
3.2.1 數據源說明
3.2.2 基於項目的協同過濾推薦實現
3.2.3 基於用戶的協同過濾推薦實現
……
第3篇 推薦系統的冷啟動及效果評估
第4篇 項目實戰
